Associations Between Body Composition and Sensorineural Hearing Loss Among Adults Based on the UK Biobank
Notice bibliographique
Résumé
OBJECTIVE: To explore the association between body composition and sensorineural hearing loss (SNHL). STUDY DESIGN: Cross-sectional study, prospective study and Mendelian randomization (MR) analyses. SETTING: UK Biobank. METHODS: This cross-sectional study included 147,296 adult participants with complete data on body composition and the speech-reception-threshold (SRT) test. We further conducted a prospective study with 129,905 participants without SNHL at baseline and followed up to 15 years to explore the association between body composition and new-onset SNHL. Multivariable logistic regression and Cox regression models were used. Subgroup analyses stratified by age and sex were performed. We further assessed the causal association between body composition and SNHL using two-sample MR analyses. RESULTS: Our cross-sectional study revealed that fat percentage, especially leg (odds ratio [OR] 1.46, p = .029) and arm (OR 1.43, p = .004), were significant risk factors for SNHL. However, fat-free mass, especially in the arm (OR 0.27, p < .001) and leg (OR 0.58, p < .001) showed significant protective effects against SNHL, which was substantially consistent with the results of the prospective study. In addition, we found that young women with SNHL were more susceptible to body composition indicators. However, MR analyses revealed no evidence of significant causal association. CONCLUSION: Fat percentage, especially in the leg and arm, was a significant risk factor for SNHL, whereas fat-free mass, especially in the leg and arm, had significant protective effects against SNHL, however, these associations may not be causal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».